CN116152230B - 基于光谱数据的纺织品表面的染色质量检测方法 - Google Patents

基于光谱数据的纺织品表面的染色质量检测方法 Download PDF

Info

Publication number
CN116152230B
CN116152230B CN202310402140.0A CN202310402140A CN116152230B CN 116152230 B CN116152230 B CN 116152230B CN 202310402140 A CN202310402140 A CN 202310402140A CN 116152230 B CN116152230 B CN 116152230B
Authority
CN
China
Prior art keywords
pixel
classification
pixels
curve
local area
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310402140.0A
Other languages
English (en)
Other versions
CN116152230A (zh
Inventor
汪海蛟
丁伟敏
范志豪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Huatuo Textile Technology Co ltd
Original Assignee
Jiangsu Huatuo Textile Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu Huatuo Textile Technology Co ltd filed Critical Jiangsu Huatuo Textile Technology Co ltd
Priority to CN202310402140.0A priority Critical patent/CN116152230B/zh
Publication of CN116152230A publication Critical patent/CN116152230A/zh
Application granted granted Critical
Publication of CN116152230B publication Critical patent/CN116152230B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/49—Analysis of texture based on structural texture description, e.g. using primitives or placement rules
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30124—Fabrics; Textile; Paper
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于光谱数据的纺织品表面的染色质量检测方法，属于材料分析技术领域；包括以下步骤：获取纱线的高光谱数据；获取所述距离对应像元数量形成的弗雷歇距离直方图；获取每个像元的分类倾向因子；获取每个像元的分类校正因子；获取每个像元校正后的分类倾向因子；根据每个像元校正后的分类倾向因子对纱线的高光谱数据进行分割获取纱线像元集合；根据提取纱线像元集合中的颜色对待测纺织品表面染色质量进行评分。

Description

基于光谱数据的纺织品表面的染色质量检测方法
技术领域
本发明涉及材料分析技术领域，具体涉及一种基于光谱数据的纺织品表面的染色质量检测方法。
背景技术
对纺织品表面进行染色质量评估的过程中，需要对纱线的颜色进行测量，从而建立高光谱成像检测的纱线颜色数据库。通过检测到的纺织品光谱数据在数据库中进行匹配，从而进行染色质量的评估。在建立纺织品所用纱线的染色高光谱数据库的过程中，首先获取到纱线的高光谱成像数据。在高光谱数据中将纱线与背景分割，从而确定纱线像元的高光谱数据。之后通过高光谱数据确定纱线像元的颜色信息。目前，高光谱数据中对纱线与背景进行分割的过程中，现有的方法是通过选定基准像元，通过高光谱数据中所有其它像元的高光谱曲线与基准像元的高光谱曲线之间的弗雷歇距离构建“弗雷歇距离-像元数量”直方图。通过在直方图中计算最大类间方差来进行阈值自适应分割，从而将高光谱数据中纱线像元与背景像元进行分割，进而获取纱线区域。但是，通过阈值进行纱线的高光谱数据进行分割时，因为只考虑到像元对应高光谱曲线之间的弗雷歇距离，而弗雷歇距离的数值只包含了两个光谱曲线之间差异最大的波段所对应的反射率，在纱线与背景交界处因为存在纱线纤维，纱线纤维与纱线像元的光谱曲线的差异较小，所以在划分时会出现大量的边缘错误分割。在后续的纱线颜色提取的过程中，这些错误划分的像元会在明度加权提取颜色中使得纱线颜色的提取出现偏差，导致无法对纺织品表面的染色质量进行正确检测。
发明内容
为了解决现有技术中通过阈值进行纱线的高光谱数据进行分割时，因为只考虑到像元对应高光谱曲线之间的弗雷歇距离，而弗雷歇距离的数值只包含了两个光谱曲线之间差异最大的波段所对应的反射率，在纱线与背景交界处因为存在纱线纤维，纱线纤维与纱线像元的光谱曲线的差异较小，所以在划分时会出现大量的边缘错误分割的问题，本发明提供一种基于光谱数据的纺织品表面的染色质量检测方法，该方法通过分析在高光谱数据空间相邻的高光谱曲线的差异对弗雷歇距离阈值分割过程中像元的分类进行校正。使得在阈值分割的过程中也可以同时考虑到与基准像元的高光谱数据差异和相邻像元之间的高光谱数据差异。
本发明的目的是提供一种基于光谱数据的纺织品表面的染色质量检测方法，包括以下步骤：
获取纱线的高光谱数据；
利用高光谱数据中每个像元的高光谱曲线与基准像元对应的高光谱曲线之间的弗雷歇距离构建弗雷歇距离直方图；
根据弗雷歇距离直方图的最大类间方差获取划纺织品中分纱线区域与背景区域的自适应阈值；
根据每个像元的弗雷歇距离、该像元所在弗雷歇距离直方图中所包含像元的数量，及自适应阈值获取每个像元的分类倾向因子；
根据每个像元所处局部区域以及所述局部区域内每个像元的分类倾向因子获取每个像元所处局部区域的分类倾向稳定程度；其中，将距每个像元最近的多个像元所形成的区域作为所述局部区域；
根据每个像元与其所处局部区域内其他像元之间的差异，以及每个像元所处局部区域的分类倾向稳定程度，获取每个像元的分类校正因子；
根据每个像元所处局部区域中所有像元的弗雷歇距离、所述自适应阈值以及每个像元的分类倾向因子和分类校正因子，获取每个像元校正后的分类倾向因子；
根据每个像元校正后的分类倾向因子对纱线的高光谱数据进行分割获取纱线像元集合；
根据提取纱线像元集合中的颜色对待测纺织品表面染色质量进行评分。
在一实施例中，所述每个像元的分类倾向因子是按照以下步骤获取：
根据每个像元对应的弗雷歇距离所包含的像元数量获取每个像元对应弗雷歇距离值所包含的像元的数量调整因子；
根据每个像元对应弗雷歇距离值所包含的像元的数量调整因子，以及每个像元对应的弗雷歇距离与自适应阈值之间的差异获取每个像元的分类倾向因子。
在一实施例中，所述每个像元所处局部区域的分类倾向稳定程度是按照以下步骤获取：
根据每个像元所处局部区域以及所述局部区域内每个像元的分类倾向因子获取局部区域内每列所有像元的分类倾向因子的方差；
将所述局部区域内每列所有像元的分类倾向因子的方差的平均值作为每个像元所处局部区域的分类倾向稳定程度。
在一实施例中，所述每个像元与其所处局部区域内其他像元之间的差异指的是所述每个像元的高频谱曲线与基准像元的高频谱曲线的弗雷歇距离，与其所处局部区域内其他像元的高频谱曲线与基准像元的高频谱曲线的弗雷歇距离之间的差异。
在一实施例中，所述每个像元校正后的分类倾向因子是按照以下步骤获取：
获取每个像元所处局部区域中所有像元的弗雷歇距离的均值；
根据每个像元所处局部区域中所有像元的弗雷歇距离的均值与自适应阈值的差异，以及每个像元的分类校正因子对每个像元的分类倾向因子进行校正，获取每个像元校正后的分类倾向因子。
在一实施例中，所述根据提取纱线像元集合中的颜色对待测纺织品表面染色质量进行评分过程包括：
根据提取纱线像元集合中的颜色获取所述颜色所对应的纱线高光谱曲线，建立纱线颜色数据库；
获取待测纺织品表面的纱线高光谱曲线；
根据待测纺织品表面的纱线高光谱曲线与纱线颜色数据库中的高光谱曲线进行光谱信息散度对比，获取相似程度最高的高光谱曲线；将相似程度最高的高光谱曲线对应的相似程度作为待测纺织品表面染色质量进行评分。
在一实施例中，所述基准像元对应的高光谱曲线是将采集纱线的高光谱数据中背景区域的平均光谱反射率曲线作为基准像元对应的高光谱曲线。
在一实施例中，所述每个像元的分类校正因子，包括：
每个像元的局部区域中的每个像元的高频谱曲线与基准像元的高频谱曲线的弗雷歇距离，与每个像元的高频谱曲线与基准像元的高频谱曲线的弗雷歇距离之间差异，以及与每个像元所处局部区域的分类倾向稳定程度的乘积，获取每个像元的分类校正因子。
本发明的有益效果是：本发明提供的一种基于光谱数据的纺织品表面的染色质量检测方法，该方法通过弗雷歇距离的计算获取所述距离对应像元数量形成的弗雷歇距离直方图；并根据弗雷歇距离直方图基于最大类间方差获取划分纱线区域与背景区域的自适应阈值；主要是通过获取的阈值将弗雷歇距离直方图中靠近阈值的位置像元作为调整的目标，再通过计算每个像元的分类倾向因子以及每个像元的分类校正因子；通过每个像元局部区域中的高光谱曲线之间的关系通过分类校正因子对分类倾向因子进行校正，通过分类校正因子对高光谱数据中的像元进行评估，分类校正因子越高则说明该像元越需要进行校正，通过通过分类校正因子对分类倾向因子进行校正，使得像元在分类的过程中加入高光谱数据中的邻近像元信息，从而避免高光谱数据中纱线纤维对应像元在分割过程中对纱线提取的影响。最后根据每个像元校正后的分类倾向因子对纱线的高光谱数据进行分割获取纱线像元集合；并通过提取纱线像元集合中的颜色对待测纺织品表面染色质量进行评分。从而保证纱线的颜色与对应的高光谱数据提取更加准确，进而保证在对纺织品表面染色质量的检测准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种基于光谱数据的纺织品表面的染色质量检测方法的实施例总体步骤的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明主要是通过高光谱数据中相邻像元之间的相似性与差异性在阈值分割的过程中对像元具体分类进行校正，从而使得在高光谱数据中对于纱线边缘的像元划分更加准确。
本发明主要针对在通过自适应阈值进行纱线的高光谱数据进行分割时，因为只考虑到像元对应高光谱曲线之间的弗雷歇距离，所以在划分时会出现大量的边缘错误分割。在后续的纱线颜色提取的过程中，这些错误划分的像元会在明度加权提取颜色中使得纱线颜色的提取出现偏差，导致无法对纺织品表面的染色质量进行正确检测。
本发明通过在纱线颜色高光谱数据库建立的过程中，对纱线高光谱数据的纱线分割过程进行优化，通过提高纱线的分割精度来保证纱线颜色检测的准确性。其中，高光谱曲线为曲线的横轴为波长，纵坐标为光谱反射率。
本发明提供的一种基于光谱数据的纺织品表面的染色质量检测方法，参见图1所示，包括以下步骤：
S1、获取纱线的高光谱数据；
利用高光谱数据中每个像元的高光谱曲线与基准像元对应的高光谱曲线之间的弗雷歇距离构建弗雷歇距离直方图；其中，纱线的高光谱数据包括纱线区域高光谱数据与背景区域高光谱数据。本实施例中，操作者可根据实际情况构建一个基准像元，基准像元对应的高光谱曲线是将采集纱线的高光谱数据中背景区域的平均光谱反射率曲线作为基准像元对应的高光谱曲线。
在本实施例中，采集所需建立高光谱颜色数据库的纺织品原料线材，本实施例中以棉纤维所制纱线为例。将染色后的单根纱线固定在黑色绒布上并保持拉伸状态，在相同条件下，分别采集单根纱线和黑色绒布为背景的高光谱数据，在这个过程中需要获取黑色绒布背景的平均光谱反射率曲线作为基准像元，为后续过程中计算弗雷歇距离的参照像元。
其中，本实施例用于采集高光谱数据采集系统为：一个12位电子倍增电荷耦合器 件相机（Andor Luca EMCCDDL-604）；一个带有标准C接口变焦镜头（OLE23-f/2.4）的成像光 谱仪；一组带有两个稳定输出卤素线光源的照明单元；一个移动精度为10
Figure SMS_1
和行程为40cm 的电控精密位移台。
在本实施例中，在采集到单根纱线的高光谱数据后，通过数据中每一个像元对应的高光谱曲线与基准像元对应的高光谱曲线进行弗雷歇距离的计算，并将所获得距离与距离对应的像元数量形成直方图。
S2、获取每个像元的分类倾向因子；
根据弗雷歇距离直方图的最大类间方差获取划纺织品中分纱线区域与背景区域的自适应阈值；
根据每个像元的弗雷歇距离、该像元所在弗雷歇距离直方图中所包含像元的数量，及自适应阈值获取每个像元的分类倾向因子；
需要说明的是，在传统的阈值分割过程中对于每一个像元的归属划分是硬性划分，但是在实际的场景中，像元的划分具有相对性，所以对于每一个像元可以通过其对应的弗雷歇距离与阈值的差异性确定像元对于每一类的分类倾向。在获取到分类倾向之后，则需要进一步地通过相邻像元的高光谱曲线的差异大小对分类倾向进行校正，从而使得在高光谱成像中纱线像元的划分能够综合高光谱数据与像元本身在图像中的空间信息。
在本实施例中，在像元的高光谱数据与基准像元的弗雷歇距离直方图中，通过弗 雷歇距离的类间最大方差计算出自适应阈值
Figure SMS_2
。该阈值所在直方图中的位置两侧即为纱线 区域与背景区域。对于距离数值，因为像元弗雷歇距离集中的波峰两侧像元数量的分类在 最大类间方差二分类过程中是准确的，而误差就是出现在阈值周围的低数量位置。自适应 阈值附近的少量像元在分割中因为阈值由最大类间方差获取其中未对边缘区域像元进行 进一步分析，所以靠近阈值的像元在分类的过程中存在的类别误差，这些类别误差在高光 谱数据的分割中表现为纱线与背景的边缘区域存在着错误分割。所以在直方图中越是靠近 阈值的位置像元越需要进行调整。
具体的，每个像元的分类倾向因子是按照以下步骤获取：
根据每个像元对应的弗雷歇距离所包含的像元数量获取每个像元对应弗雷歇距离值所包含的像元的数量调整因子；
根据每个像元对应弗雷歇距离值所包含的像元的数量调整因子，以及每个像元对应的弗雷歇距离与自适应阈值之间的差异获取每个像元的分类倾向因子。
在本实施例中，对于弗雷歇距离直方图中每一个距离所对应的像元可以通过像元 数量与和自适应阈值的差异获取每个像元在弗雷歇距离与像元数量上获取像元的分类倾 向因子
Figure SMS_3
，其计算过程如下：
Figure SMS_4
式中，
Figure SMS_7
表示第i个像元的分类倾向因子，其中，
Figure SMS_10
表示的是第
Figure SMS_12
个像元对于阈值 分类倾向，对于阈值左侧的像元，
Figure SMS_6
即为左侧分类，阈值右侧的像元，其对应的
Figure SMS_9
即为右侧的 分类；
Figure SMS_11
表示第
Figure SMS_13
个像元的高光谱曲线与基准像元的高光谱曲线之间的弗雷歇距离。
Figure SMS_5
表示 通过最大类间方差在弗雷歇距离直方图中获取到的自适应阈值。
Figure SMS_8
表示归一化函 数。其中，每个像元对应弗雷歇距离值所包含的像元的数量调整因子，其计算过程如下：
Figure SMS_14
式中，
Figure SMS_15
表示第
Figure SMS_16
个像元所对应的弗雷歇距离值所包含的像元带来的数量调整因 子；
Figure SMS_17
表示第
Figure SMS_18
个像元所对应的弗雷歇距离值所包含的像元数量；
Figure SMS_19
表示高光谱数据的像元 数量；
Figure SMS_20
表示自然常数。
需要说明的是，对于像元的分类倾向因子，通过高光谱数据中像元与基准像元的 光谱曲线弗雷歇距离数值与传统阈值分割所得的最大类间方差阈值的差异大小进行衡量。 当距离数值与阈值越接近，则说明这些像元对于当前类的倾向因子越接近于0.5，也就是处 于一个分类不明确的状态，而与阈值差异越大的像元，对于当前分类的倾向因子越接近于 1。每一个像元对应的分类倾向因子
Figure SMS_21
。在衡量过程中，因为距离数值所包含的 像元越多，则说明这些像元的分类一致性越高，对于当前分类的倾向性也就越高。所以通过 像元数量的softmax归一化作为数量调整因子，通过像元数量对距离与阈值的差异进行拉 伸，从而保证整个公式模型对于像元分类趋势因子衡量的准确性。
为此，通过像元数量与阈值的差异获取每个像元的分类倾向因子，相较于传统的阈值分割，在其基础上对于纱线高光谱数据中边缘区域像元的高光谱曲线存在的分类模糊性，通过距离的差异来进行度量，使得分类能够量化。在此基础上加入像元数量对于分类倾向因子的影响，从而进一步的保证了分类倾向因子对于像元分类的准确性。
S3、获取每个像元的分类校正因子；
根据每个像元所处局部区域以及所述局部区域内每个像元的分类倾向因子获取每个像元所处局部区域的分类倾向稳定程度；其中，将距每个像元最近的多个像元所形成的区域作为所述局部区域；根据每个像元与其所处局部区域内其他像元之间的差异，以及每个像元所处局部区域的分类倾向稳定程度，获取每个像元的分类校正因子；
需要说明的是，在获取到像元的分类倾向因子后，则可以进一步地通过高光谱图像中像元的空间结构对分类倾向因子进行校正。对于每一个像元的分类倾向因子，其可以表示该像元在阈值分割过程中的准确性，当一个像元的局部区域中所有像元的分类倾向因子都处于同一水平时，则说明该像元的局部区域处于一个分类稳定的状态，那么该像元所需要的校正程度就比较低。当一个像元的局部区域中其它像元的分类倾向因子分布混乱时，则说明该像元的局部区域中存在着错误分割，那么该像元所需要的校正程度就比较高。在纱线的高光谱数据中，其背景区域与纱线边缘交界区域中存在着棉纤维的飘落，所以该区域中像元会出现高光谱曲线的弗雷歇距离分布差异较高的情况。那么可以通过高光谱数据中每一个像元与其相邻像元的分类倾向因子与高光谱曲线差异进行像元分类校正因子的衡量。
在本实施例中，在衡量校正因子的过程中，当处于边缘整齐无棉纤维飘落影响区域的像元进行局部区域衡量时，因为局部区域中即包含背景区域又包含纱线区域，那么对于该像元的分类校正因子如果与其他像元具有同样的计算方式就会造成没有异常的像元在校正之后分类更加模糊，就会因为校正过程导致错误分类，所以在分类校正因子的衡量过程中需要进一步通过分类倾向因子在列内的均匀性与一致性对中心像元的分类校正因子进行限制，从而避免边缘区域无异常的像元进行分类倾向因子的调整。
具体的，每个像元所处局部区域的分类倾向稳定程度是按照以下步骤获取：
根据每个像元所处局部区域以及所述局部区域内每个像元的分类倾向因子获取局部区域内每列所有像元的分类倾向因子的方差；
将局部区域内每列所有像元的分类倾向因子的方差的平均值作为每个像元所处局部区域的分类倾向稳定程度。
其中，每个像元与其所处局部区域内其他像元之间的差异指的是每个像元的高频谱曲线与基准像元的高频谱曲线的弗雷歇距离，与其所处局部区域内其他像元的高频谱曲线与基准像元的高频谱曲线的弗雷歇距离之间的差异。
具体的，每个像元的分类校正因子，包括：
每个像元的局部区域中的每个像元的高频谱曲线与基准像元的高频谱曲线的弗雷歇距离，与每个像元的高频谱曲线与基准像元的高频谱曲线的弗雷歇距离之间差异，以及与每个像元所处局部区域的分类倾向稳定程度的乘积，获取每个像元的分类校正因子。
在本实施例中，对于高光谱数据中的第
Figure SMS_22
个像元通过分类倾向因子在局部区域中 的一致性与稳定性限制的分类校正因子
Figure SMS_23
，其每个像元的分类校正因子计算公式如下：
Figure SMS_24
式中，
Figure SMS_35
表示第
Figure SMS_28
个像元的分类校正因子；
Figure SMS_31
表示高频谱数据中第
Figure SMS_39
个像元的局部 区域，本实施例中将第
Figure SMS_43
个像元空间距离最近的24个像元的区域作为第
Figure SMS_41
个像元的局部区 域；
Figure SMS_45
表示第
Figure SMS_36
个像元的局部区域中的第
Figure SMS_40
个像元的高频谱曲线与基准像元的高频谱曲线的 弗雷歇距离；
Figure SMS_25
表示第
Figure SMS_32
个像元的高频谱曲线与基准像元的高频谱曲线的弗雷歇距离；
Figure SMS_27
表示第
Figure SMS_29
个像元的局部区域中的像元的数量；根据实际场景中高光谱成像仪的参 数，可以对此区域大小进行调整；本实施例中将第
Figure SMS_33
个像元空间距离最近的24个像元的数量 作为第
Figure SMS_37
个像元的局部区域中的像元的数量；
Figure SMS_38
表示第
Figure SMS_42
个像元的局部区域内的列内分类一 致性判断因子，当第
Figure SMS_44
个像元的局部区域内每列内像元的初始阈值分割类别都一致，那么
Figure SMS_46
，如果出现一列内的像元存在分类不一致，则
Figure SMS_26
；exp表示以自然常数e为底的指数 函数；
Figure SMS_30
表示第
Figure SMS_34
个像元所处局部区域的分类倾向稳定程度；当局部区域内每一列内像元 的分类倾向因子的平均差异较小，那么则说明该局部区域像元的高光谱数据分类倾向稳 定，则相应的对分类校正因子进行限制，从而维持原有的分类结果。为此，通过每个像元的 局部区域其它像元与其在高光谱曲线中的差异来衡量该像元在分类倾向性上的分类校正 因子，所表述的是该像元有多大程度需要进行校正。
在本实施例中，对于该像元局部区域内高光谱数据的分类倾向稳定程度具体计算方式如下：
Figure SMS_47
式中，
Figure SMS_50
表示第j个像元的分类倾向因子，其中，
Figure SMS_53
表示的是第
Figure SMS_56
个像元对于阈值分 类倾向，对于阈值左侧的像元，
Figure SMS_49
即为左侧分类，阈值右侧的像元，其对应的
Figure SMS_52
即为右侧的分 类；
Figure SMS_55
表示第j个像元的局部区域的总列数，其中，
Figure SMS_58
表示第
Figure SMS_48
的列数；
Figure SMS_51
表示局部区 域内第
Figure SMS_54
列所有像元的分类倾向因子的方差，用于表示局部区域中列内的分类倾向因子稳 定程度。
Figure SMS_57
表示归一化函数。通过归一化的过程是通过整个纱线高光谱数据每一个 局部区域的列进行的，可以在采集到高光谱数据时就进行计算。通过局部区域内所有列的 稳定程度均值作为当前局部区域的分类倾向稳定程度。
需要说明的是，在高频谱数据中，当一个像元局部区域中其它像元与基准像元的差异和该像元与基准像元的差异之间的差异越大，则说明该像元越可能处于纱线与背景的交界区域。那么该像元就更需要进行校正。而对于局部区域像元与其本身的差异越小，则说明该区域的像元越稳定，所以就更不需要进行校正。为此，基于通过高频谱图像中像元的局部区域信息进行分类校正因子的衡量，可以在分类倾向因子的基础上进一步衡量像元所需要校正的程度。从而可以在像元中选取出需要进行校正的像元，之后进一步分析像元的校正标准。从而对像元的分类倾向性进行校正，获取像元的最终分类。从而提高像元的分类准确性，更加精准的对边缘区域的像元进行分类情况的校正。
S4、获取每个像元校正后的分类倾向因子；
根据每个像元所处局部区域中所有像元的弗雷歇距离、自适应阈值以及每个像元的分类倾向因子和分类校正因子，获取每个像元校正后的分类倾向因子。
根据每个像元校正后的分类倾向因子对纱线的高光谱数据进行分割获取纱线像元集合；
需要说明的是，通过获取到高光谱数据中每一个像元在分割过程中的分类倾向因 子与分类校正因子之后，则需要通过像元局部区域中的高光谱曲线之间的关系通过分类校 正因子对分类倾向因子进行校正。通过分类校正因子对高光谱数据中的像元进行选取，分 类校正因子越高则说明该像元越需要进行校正，通过像元局部区域的高光谱曲线的平均弗 雷歇距离与最大类间方差阈值
Figure SMS_59
的差异对像元的分类倾向因子进行校正，使得像元在分类 的过程中加入高光谱数据中的邻近像元信息，从而避免高光谱数据中纱线纤维对应像元在 分割过程中对纱线提取的影响。
具体的，每个像元校正后的分类倾向因子是按照以下步骤获取：
获取每个像元所处局部区域中所有像元的弗雷歇距离的均值；
根据每个像元所处局部区域中所有像元的弗雷歇距离的均值与自适应阈值的差异，以及每个像元的分类校正因子对每个像元的分类倾向因子进行校正，获取每个像元校正后的分类倾向因子。
在本实施例中，每个像元校正后的分类倾向因子的计算公式如下：
Figure SMS_60
式中，
Figure SMS_69
表示第i个像元校正后的分类倾向因子；
Figure SMS_64
表示第i个像元的分类倾向 因子；其中，
Figure SMS_65
表示的是第
Figure SMS_73
个像元对于阈值分类倾向，对于阈值左侧的像元，
Figure SMS_77
即为左侧分 类，阈值右侧的像元，其对应的
Figure SMS_80
即为右侧的分类；
Figure SMS_83
第
Figure SMS_72
个像元的分类校正因子；
Figure SMS_76
表示归一化函数；
Figure SMS_61
表示第
Figure SMS_67
个像元的局部区域
Figure SMS_78
中的像元的弗雷歇距离的均值；
Figure SMS_81
表示最 大类间方差所得的阈值；
Figure SMS_79
表示调整方向判断器，其作用为判断分类倾向因子的校正方向。 如果
Figure SMS_82
在
Figure SMS_63
的左侧，则
Figure SMS_66
，如果
Figure SMS_70
在
Figure SMS_74
的右侧，则
Figure SMS_62
；
Figure SMS_68
表示取绝对值。需要说明的 是，通过像元局部区域的其它像元的高光谱曲线对应的弗雷歇距离均值与阈值
Figure SMS_71
的差异大 小来进行像元分类倾向因子的校正。其中，校正因子
Figure SMS_75
越高则说明像元所需要的校正程度 越高。同时使用判断器进行调整方向的判断，使得在阈值周围的像元根据校正数值大小进 行空间高光谱数据信息上的判断。从而准确的对纱线高光谱数据进行纱线与背景的分割。
需要说明的是，在本实施例中，每个像元校正后的分类倾向因子
Figure SMS_84
对纱线的高光 谱数据进行分割获取单根纱线像元集合。
S5、根据提取纱线像元集合中的颜色对待测纺织品表面染色质量进行评分。
具体的，根据提取纱线像元集合中的颜色对待测纺织品表面染色质量进行评分过程包括：根据提取纱线像元集合中的颜色获取颜色所对应的纱线高光谱曲线，建立纱线颜色数据库；获取待测纺织品表面的纱线高光谱曲线；根据待测纺织品表面的纱线高光谱曲线与纱线颜色数据库中的高光谱曲线进行光谱信息散度对比，获取相似程度最高的高光谱曲线；将相似程度最高的高光谱曲线对应的相似程度作为待测纺织品表面染色质量进行评分。
在本实施例中，将每个像元校正后的分类倾向因子
Figure SMS_85
对纱线的高光谱数据进行 分割获取单根纱线像元集合；以此类推，获取不同颜色的纱线像元集合；再通过明度阈值法 将纱线表面划分为三个区域：边缘区域、过渡区域和中心区域，通过三个区域的明度均值作 为区域的贡献度计算纱线表面的颜色；同样将纱线表面不同区域通过明度加权进行高光谱 曲线的均值计算，从而确定颜色数据库中颜色值与其对应的纱线光谱曲线。通过对待测纺 织品表面的纱线高光谱曲线与纱线颜色高光谱数据库中的高光谱曲线进行光谱信息散度 对比；获取相似程度最高的光谱曲线，将该光谱曲线的颜色信息作为检测信息；相似程度即 为纺织品表面染色质量的评分。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于光谱数据的纺织品表面的染色质量检测方法，其特征在于，包括以下步骤：
获取纱线的高光谱数据；
利用高光谱数据中每个像元的高光谱曲线与基准像元对应的高光谱曲线之间的弗雷歇距离构建弗雷歇距离直方图；
根据弗雷歇距离直方图的最大类间方差获取划纺织品中分纱线区域与背景区域的自适应阈值；
根据每个像元的弗雷歇距离、该像元所在弗雷歇距离直方图中所包含像元的数量，及自适应阈值获取每个像元的分类倾向因子；
所述每个像元的分类倾向因子是按照以下步骤获取：
根据每个像元对应的弗雷歇距离所包含的像元数量获取每个像元对应弗雷歇距离值所包含的像元的数量调整因子；
根据每个像元对应弗雷歇距离值所包含的像元的数量调整因子，以及每个像元对应的弗雷歇距离与自适应阈值之间的差异获取每个像元的分类倾向因子；
所述获取每个像元的分类倾向因子的公式为：
Figure QLYQS_1
式中：
Figure QLYQS_4
表示第i个像元的分类倾向因子；其中，/>
Figure QLYQS_6
表示的是第/>
Figure QLYQS_9
个像元对于阈值分类倾向，对于阈值左侧的像元，/>
Figure QLYQS_3
即为左侧分类，阈值右侧的像元，其对应的/>
Figure QLYQS_7
即为右侧的分类；
Figure QLYQS_10
表示第/>
Figure QLYQS_12
个像元的高光谱曲线与基准像元的高光谱曲线之间的弗雷歇距离；/>
Figure QLYQS_2
表示通过最大类间方差在弗雷歇距离直方图中获取到的自适应阈值；/>
Figure QLYQS_5
表示归一化函数；/>
Figure QLYQS_8
第
Figure QLYQS_11
个像元所对应的弗雷歇距离值所包含的像元带来的数量调整因子；
其中获取
Figure QLYQS_13
的表达式如下：
Figure QLYQS_14
式中：
Figure QLYQS_15
表示第/>
Figure QLYQS_16
个像元所对应的弗雷歇距离值所包含的像元数量；/>
Figure QLYQS_17
表示高光谱数据的像元数量；/>
Figure QLYQS_18
表示自然常数；
根据每个像元所处局部区域以及所述局部区域内每个像元的分类倾向因子获取每个像元所处局部区域的分类倾向稳定程度；其中，将距每个像元最近的多个像元所形成的区域作为所述局部区域；
根据每个像元与其所处局部区域内其他像元之间的差异，以及每个像元所处局部区域的分类倾向稳定程度，获取每个像元的分类校正因子；
获取每个像元的分类校正因子，包括：
每个像元的局部区域中的每个像元的高频谱曲线与基准像元的高频谱曲线的弗雷歇距离，与每个像元的高频谱曲线与基准像元的高频谱曲线的弗雷歇距离之间差异，以及与每个像元所处局部区域的分类倾向稳定程度的乘积，获取每个像元的分类校正因子；
每个像元的分类校正因子计算公式如下：
Figure QLYQS_19
式中，
Figure QLYQS_21
表示第/>
Figure QLYQS_27
个像元的分类校正因子；/>
Figure QLYQS_30
表示高频谱数据中第/>
Figure QLYQS_22
个像元的局部区域；
Figure QLYQS_24
表示第/>
Figure QLYQS_28
个像元的局部区域中的第/>
Figure QLYQS_31
个像元的高频谱曲线与基准像元的高频谱曲线的弗雷歇距离；/>
Figure QLYQS_20
表示第/>
Figure QLYQS_25
个像元的高频谱曲线与基准像元的高频谱曲线的弗雷歇距离；/>
Figure QLYQS_29
表示第/>
Figure QLYQS_32
个像元的局部区域中的像元的数量；exp表示以自然常数e为底的指数函数；/>
Figure QLYQS_23
表示第/>
Figure QLYQS_26
个像元所处局部区域的分类倾向稳定程度；
根据每个像元所处局部区域中所有像元的弗雷歇距离、所述自适应阈值以及每个像元的分类倾向因子和分类校正因子，获取每个像元校正后的分类倾向因子；
根据每个像元校正后的分类倾向因子对纱线的高光谱数据进行分割获取纱线像元集合；
根据提取纱线像元集合中的颜色对待测纺织品表面染色质量进行评分。
2.根据权利要求1所述的基于光谱数据的纺织品表面的染色质量检测方法，其特征在于，所述每个像元所处局部区域的分类倾向稳定程度是按照以下步骤获取：
根据每个像元所处局部区域以及所述局部区域内每个像元的分类倾向因子获取局部区域内每列所有像元的分类倾向因子的方差；
将所述局部区域内每列所有像元的分类倾向因子的方差的平均值作为每个像元所处局部区域的分类倾向稳定程度。
3.根据权利要求1所述的基于光谱数据的纺织品表面的染色质量检测方法，其特征在于，所述每个像元与其所处局部区域内其他像元之间的差异指的是所述每个像元的高频谱曲线与基准像元的高频谱曲线的弗雷歇距离，与其所处局部区域内其他像元的高频谱曲线与基准像元的高频谱曲线的弗雷歇距离之间的差异。
4.根据权利要求1所述的基于光谱数据的纺织品表面的染色质量检测方法，其特征在于，所述每个像元校正后的分类倾向因子是按照以下步骤获取：
获取每个像元所处局部区域中所有像元的弗雷歇距离的均值；
根据每个像元所处局部区域中所有像元的弗雷歇距离的均值与自适应阈值的差异，以及每个像元的分类校正因子对每个像元的分类倾向因子进行校正，获取每个像元校正后的分类倾向因子。
5.根据权利要求1所述的基于光谱数据的纺织品表面的染色质量检测方法，其特征在于，所述根据提取纱线像元集合中的颜色对待测纺织品表面染色质量进行评分过程包括：
根据提取纱线像元集合中的颜色获取所述颜色所对应的纱线高光谱曲线，建立纱线颜色数据库；
获取待测纺织品表面的纱线高光谱曲线；
根据待测纺织品表面的纱线高光谱曲线与纱线颜色数据库中的高光谱曲线进行光谱信息散度对比，获取相似程度最高的高光谱曲线；将相似程度最高的高光谱曲线对应的相似程度作为待测纺织品表面染色质量进行评分。
6.根据权利要求1所述的基于光谱数据的纺织品表面的染色质量检测方法，其特征在于，所述基准像元对应的高光谱曲线是将采集纱线的高光谱数据中背景区域的平均光谱反射率曲线作为基准像元对应的高光谱曲线。
CN202310402140.0A 2023-04-17 2023-04-17 基于光谱数据的纺织品表面的染色质量检测方法 Active CN116152230B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310402140.0A CN116152230B (zh) 2023-04-17 2023-04-17 基于光谱数据的纺织品表面的染色质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310402140.0A CN116152230B (zh) 2023-04-17 2023-04-17 基于光谱数据的纺织品表面的染色质量检测方法

Publications (2)

Publication Number Publication Date
CN116152230A CN116152230A (zh) 2023-05-23
CN116152230B true CN116152230B (zh) 2023-06-27

Family

ID=86339180

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310402140.0A Active CN116152230B (zh) 2023-04-17 2023-04-17 基于光谱数据的纺织品表面的染色质量检测方法

Country Status (1)

Country Link
CN (1) CN116152230B (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10102607A1 (de) * 2001-01-21 2002-07-25 Patrick Herzog Verfahren und Vorrichtung zur Prüfung der Farb-und/oder Glanz-Qualität von Stoffen oder ähnlichen Materialien
CN104568778B (zh) * 2015-01-15 2018-04-17 浙江理工大学 一种基于高光谱成像的纺织品成分鉴别方法
CN105654123B (zh) * 2015-12-26 2019-02-22 河北工业大学 一种机织物组织图的识别方法
CN113820319A (zh) * 2021-09-11 2021-12-21 苏州兆能视觉科技有限公司 一种纺织品表面缺陷检测装置与方法

Also Published As

Publication number Publication date
CN116152230A (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
CN106529559A (zh) 一种指针式圆形多仪表盘实时读数识别方法
CN111860639B (zh) 一种量化烤烟烟叶烘烤特性的判定系统及判定方法
TW201702586A (zh) 光學薄膜缺陷辨識方法及其系統
CN115294116B (zh) 基于人工智能的纺织材料染色质量评估方法、装置及系统
CN103759662A (zh) 一种纺织纱线直径动态快速测量装置与方法
CN109540925B (zh) 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法
CN115994907B (zh) 用于食品检测机构综合信息的智能处理系统及方法
CN108009556A (zh) 一种基于定点图像分析的河道漂浮物检测方法
CN116977342B (zh) 基于图像分割的pcb板线路检测方法
CN114841938A (zh) 一种织物勾丝缺陷检测方法
CN116664565A (zh) 一种光伏太阳能电池片的隐裂检测方法及系统
CN115100206A (zh) 用于具有周期图案纺织物的印花缺陷识别方法
CN110458809B (zh) 一种基于亚像素边缘检测的纱线条干均匀度检测方法
CN105279244B (zh) 甘蔗种芽分类特征数据库的建立方法
KR101343623B1 (ko) 적응적 피부색 검출 방법, 그리고 이를 이용한 얼굴 검출 방법 및 그 장치
CN110570418A (zh) 一种织唛缺陷检测方法和装置
CN116152230B (zh) 基于光谱数据的纺织品表面的染色质量检测方法
CN116894840B (zh) 纺纱打样机产品质量检测方法及系统
CN116758074B (zh) 一种多光谱食品图像智能增强方法
CN112329893A (zh) 基于数据驱动的异源多目标智能检测方法及系统
Dhanuja et al. Areca nut disease detection using image processing technology
CN113554604B (zh) 一种基于机器视觉的熔喷布缺陷区域检测方法
CN117745730B (zh) 一种基于图像处理技术的涤纶长丝毛丝检测方法及系统
CN104978745A (zh) 一种高分辨率可见光图像目标变化检测方法
US9311710B1 (en) Method for measuring width of gap of display module

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant